Protecting tactical wireless networks against dual interception

Résumé

Aujourd’hui, les réseaux tactiques sans fil sont constamment améliorés pour devenir plus autonomes. La croissance sans précédent de l’intelligence artificielle (IA) ouvre la voie pour des applications militaires sans intervention humaine, où les soldats seraient remplacés par des véhicules de combat autonomes entièrement équipés d’armes de combat ainsi que d’une capacité de communication élevée qui permet des coopérations tactiques sur le champ de bataille. Cependant, une connectivité croissante combinée avec une intervention humaine réduite rend le système plus vulnérable en termes de sécurité et de fiabilité. Un nombre croissant de connexions nécessite une gestion des ressources très évolutive, et le système est plus exposé aux interceptions électroniques de l’ennemi. Ainsi, l’amélioration de la capacité d’autodéfense de ces tactiques est nécessaire pour les protéger contre des interceptions de l’ennemi. Cette thèse étudie le problème de protection des réseaux tactiques à haute mobilité contre les interceptions simultanées de l’ennemi. Nous concevons une stratégie d’optimisation des ressources pour l’anti interception dans laquelle plusieurs variables de contrôle du système sont optimisées conjointement pour non seulement protéger le système contre les interceptions ennemies, mais également maintenir une qualité de service (QoS) satisfaisante. Nous appliquons cette stratégie proposée dans deux scénarios tactiques différents : i) un réseau d’information de combattant-tactique (WIN-T) avec une mobilité élevée des véhicules de combat terrestres (GCVs), et ii) un réseau de relais mixte radiofréquence/optique en espace libre (RF/FSO) où le nœud de relais et les intercepteurs ennemis sont tous des objets hautement mobiles. Dans ces deux scénarios, nous formulons mathématiquement le problème d’allocation des ressources pour l’anti interception sous la forme d’un modèle d’optimisation non-convexe. Nous décomposons ce problème d’optimisation complexe en deux sous-problèmes, puis résolvons le premier sous-problème à l’aide d’une méthode itérative. Pour traiter la forme non convexe du deuxième sous-problème, nous combinons l’approximation de Taylor du premier ordre avec la méthode des fonctions convexes différences (D.C). Pour obtenir la solution optimisée en temps quasi-réel, nous proposons des approches d’apprentissage par renforcement profond (DRL), en utilisant à la fois des modèles d’agent unique et d’agents multiples. Les résultats expérimentaux montrent que la méthode DRL a le potentiel d’être applicable dans des scénarios militaires de haute complexité. Pour prendre la décision de sélectionner une solution DRL pour un scénario d’anti-interception double donné, nous comparons la capacité défensive de deux cadres : Apprentissage par renforcement profond à agent unique (SADRL) et apprentissage par renforcement profond multi-agent (MADRL) en différents niveaux de mobilité et de scalabilité des utilisateurs. Les résultats expérimentaux montrent que les deux cadres peuvent approcher la solution optimale. Cependant, dans les scénarios hautement mobiles et de déploiement massif, la performance défensive de MADRL est meilleure que celle de SADRL, mais la première demande un coût plus élevé en termes de ressources.

Date	30 août 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kim Khoa Nguyen (Directeur(-trice))